OpenAI का TTS API एक एंडपॉइंट है जो उपयोगकर्ताओं को उनके TTS AI मॉडल के साथ इंटरैक्ट करने में सक्षम बनाता है, जो पाठ को स्वाभाविक-साउंडिंग बोले गए भाषा में बदलता है।
कल्पना कीजिए कि आपने किसी सामग्री को लिखने में घंटों लगाए हैं।
आप अंतिम परिणाम से संतुष्ट हैं, इसलिए आप इसे सार्वजनिक रूप से प्रकाशित कर देते हैं।
कुछ समय बाद आपको एहसास होता है कि आप एक बड़े दर्शक वर्ग को खो रहे हैं, क्योंकि कई लोगों के पास बैठकर पूरा लेख पढ़ने का समय नहीं होता।
आप स्वयं नैरेशन करने के बारे में सोचते हैं, लेकिन समय आपके पक्ष में नहीं है। आप वॉइस-ओवर आर्टिस्ट रखने का विचार करते हैं, पर जो कोट मिले हैं वे आपके बजट से बहुत ऊपर हैं, और “सही” आवाज़ ढूंढने में लगने वाला समय भी बोझ बन जाता है।
इक्कीसवीं सदी के सामान्य अंदाज़ में, आप समाधान के लिए तकनीक की ओर रुख करते हैं। तभी आपको OpenAI के Text-to-Speech (TTS) API के बारे में पता चलता है।
इस ट्यूटोरियल के शेष भाग में, हम OpenAI के TTS API को कवर करेंगे—इसके प्रमुख फीचर्स, आरंभ कैसे करें, कस्टमाइज़ेशन, और वास्तविक दुनिया के उपयोग मामलों पर चर्चा करेंगे।
OpenAI का TTS API क्या है?
टेक्स्ट-टू-स्पीच (TTS) एक प्रकार की सहायक तकनीक है जो टेक्स्ट फ़ॉर्मेट में दिए गए प्राकृतिक भाषा को वाणी में बदलती है। यानी, टेक्स्ट-टू-स्पीच सिस्टम कंप्यूटर (या किसी अन्य डिजिटल डिवाइस) पर लिखे शब्दों को ज़ोर से पढ़ते हैं।
OpenAI का TTS API एक एंडपॉइंट है जो उपयोगकर्ताओं को उनके TTS AI मॉडल के साथ इंटरैक्ट करने की सुविधा देता है, जो पाठ को स्वाभाविक-साउंडिंग बोले गए भाषा में बदलता है। इस मॉडल के दो वैरिएंट हैं:
TTS-1: रियल-टाइम टेक्स्ट-टू-स्पीच उपयोग मामलों के लिए अनुकूलित नवीनतम AI मॉडल।
TTS-1-HD: उच्च गुणवत्ता के लिए अनुकूलित नवीनतम AI मॉडल।
एंडपॉइंट छह प्रीबिल्ट आवाज़ों के साथ आता है और OpenAI TTS दस्तावेज़ के अनुसार, इसका उपयोग इन कार्यों के लिए किया जा सकता है:
लिखित ब्लॉग पोस्ट का नैरेशन करना
कई भाषाओं में बोले गए ऑडियो तैयार करना
स्ट्रीमिंग के माध्यम से रियल-टाइम ऑडियो आउटपुट देना
हालाँकि, यह ध्यान देना महत्वपूर्ण है कि OpenAI की उपयोग नीतियाँ उपयोगकर्ताओं से यह स्पष्ट डिस्क्लोज़र देने की अपेक्षा करती हैं कि जो TTS आवाज़ वे सुन रहे हैं, वह AI-जनित है, न कि मानव आवाज़।
TTS API के साथ शुरुआत करना
आइए देखें कि आप OpenAI Text-to-Speech API का उपयोग कैसे शुरू कर सकते हैं—पूर्वापेक्षाएँ और आवश्यक चरणों सहित:
पूर्वापेक्षाएँ
एक फंडेड OpenAI खाता — नीचे दिए गए API सीमाएँ और मूल्य निर्धारण में और देखें।
Python 3.7+
IDE
चरण 1: API कुंजी जनरेट करें
अपने OpenAI खाते में लॉगिन करने के बाद, आप होम स्क्रीन पर पहुँचेंगे। यहाँ से, पेज के बाएँ ऊपरी कोने में OpenAI लोगो पर जाएँ और साइडबार टॉगल करें।
“API Keys” चुनें।
“Create new secret key” चुनें और अपनी API कुंजी को नाम दें — हमने अपनी कुंजी का नाम “tts-example” रखा है।
API कुंजी बनाते समय एक सीक्रेट कुंजी जेनरेट होगी। सुनिश्चित करें कि आप इस कुंजी को सुरक्षित स्थान पर सहेज लें।
अब आपके पास कुंजी है, आप शुरू करने के लिए तैयार हैं!
चरण 2: एक वर्चुअल एनवायरनमेंट बनाएं
वर्चुअल एनवायरनमेंट का उपयोग एक कंटेनर या आइसोलेटेड वातावरण बनाने के लिए किया जाता है, जहाँ किसी विशेष प्रोजेक्ट के लिए Python-संबंधित निर्भरताएँ स्थापित की जाती हैं। इससे आप Python के कई अलग-अलग वर्ज़न और उनके पैकेजों के साथ काम कर सकते हैं।
वर्चुअल एनवायरनमेंट्स में गहराई से जाना इस लेख के दायरे से बाहर है। एक बनाने के बारे में अधिक जानने के लिए Python में वर्चुअल एनवायरनमेंट ट्यूटोरियल देखें।
OpenAI के टेक्स्ट-टू-स्पीच दस्तावेज़ में एक सैंपल रिक्वेस्ट दी हुई है; अतः हमें पहिया फिर से आविष्कार करने की आवश्यकता नहीं।
सैंपल रिक्वेस्ट कुछ इस प्रकार दिखती है:
from pathlib import Path
from openai import OpenAI
client = OpenAI()
speech_file_path = Path(__file__).parent /"speech.mp3"
response = client.audio.speech.create(
model="tts-1",
voice="alloy",input="Today is a wonderful day to build something people love!")
response.stream_to_file(speech_file_path)संचालित द्वारा
जैसा कि अभी है, यह कोड नहीं चलेगा।
यह इसलिए नहीं चलेगा क्योंकि हमने अपने OpenAI क्लाइंट को चरण एक में जनरेट की गई API कुंजी पास नहीं की है…
चरण 4: API कुंजी पास करना
इस समस्या का सबसे आसान समाधान यह है कि हम OpenAI() ऑब्जेक्ट में एक api_key पैरामीटर जोड़ दें, जहाँ हम अपनी सीक्रेट कुंजी पास कर सकें।
उदाहरण के लिए:
client = OpenAI(api_key="secret key goes here")संचालित द्वारा
Python में ऐसा करना खराब प्रैक्टिस है।
इसके बजाय, हम dotenv का उपयोग करेंगे ताकि .env फ़ाइल से सीक्रेट कुंजी पढ़ी जा सके।
चरण 4.1: dotenv इंस्टॉल करना
सबसे पहले आपको अपने वर्चुअल एनवायरनमेंट में dotenv इंस्टॉल करना है। अपने वर्चुअल एनवायरनमेंट से यह कमांड चलाएँ:
अब जब dotenv इंस्टॉल हो गया है, तो हम एक .env फ़ाइल बना सकते हैं, जिसमें key-value पेयर्स होंगे, और उन मानों को एनवायरनमेंट वेरिएबल के रूप में सेट कर सकते हैं।
इससे हम अपनी सीक्रेट कुंजी छिपा सकते हैं, भले ही कोड सार्वजनिक रूप से साझा किया जाए।
सबसे पहले, हमें एक .env फ़ाइल बनानी होगी और इसमें निम्न लिखना होगा:
SECRET_KEY ="insert your secret key token here"संचालित द्वारा
अब हम अपने main.py फ़ाइल में dotenv का उपयोग करके अपने एनवायरनमेंट वेरिएबल्स को कॉल कर सकते हैं।
कोड इस प्रकार दिखता है।
import os
from pathlib import Path
from openai import OpenAI
from dotenv import load_dotenv
load_dotenv()
SECRET_KEY = os.getenv("SECRET_KEY")
client = OpenAI(api_key=SECRET_KEY)
speech_file_path = Path(__file__).parent /"speech.mp3"
response = client.audio.speech.create(
model="tts-1",
voice="alloy",input="Today is a wonderful day to build something people love!")
response.stream_to_file(speech_file_path)संचालित द्वारा
अब कोड चलता है।
डिफ़ॉल्ट रूप से यह कोड बोले गए ऑडियो की एक MP3 फ़ाइल आउटपुट करता है। यदि आप कोई अन्य फ़ाइल फ़ॉर्मेट पसंद करते हैं, तो आप आउटपुट को समर्थित फ़ॉर्मेट्स में से किसी में भी कॉन्फ़िगर कर सकते हैं।
आवाज़ और आउटपुट को कस्टमाइज़ करना
दुनिया में अनेक तरह की आवाज़ें और उच्चारण हैं।
भले ही हर एक को कैप्चर करना संभव न हो, OpenAI के TTS ने हमारे विविध संसार को दर्शाने के लिए API में छह अनोखी इन-बिल्ट आवाज़ों को शामिल किया है:
Alloy
Echo
Fable
Onyx
Nova
Shimmer
इनसे अलग-अलग व्यक्तित्व व्यक्त किए जा सकते हैं, या आप अपनी पसंद के आधार पर चुन सकते हैं। आपको बस क्लाइंट ऑब्जेक्ट में voice पैरामीटर के माध्यम से इच्छित आवाज़ सेट करनी है।
response = client.audio.speech.create(
model="tts-1",
voice="alloy",# Update this to change voiceinput="Today is a wonderful day to build something people love!")संचालित द्वारा
API का डिफ़ॉल्ट रिस्पॉन्स आपके कनवर्ट किए गए टेक्स्ट की एक MP3 फ़ाइल है। हालाँकि, OpenAI आपकी आवश्यकताओं और पसंद के अनुसार अन्य कई फ़ॉर्मेट्स भी प्रदान करता है। जैसे:
एडवांस्ड ऑडियो कोडिंग (AAC)। AAC डिजिटल ऑडियो कंप्रेशन के लिए बेहतरीन है क्योंकि इसे व्यापक रूप से अपनाया गया है और यह अपनी कंप्रेशन दक्षता के लिए जाना जाता है। इसलिए, YouTube, Android और iOS जैसे सॉफ़्टवेयर और अनुप्रयोगों के लिए यह पसंदीदा फ़ाइल फ़ॉर्मेट है। जब गुणवत्ता और फ़ाइल आकार के बीच संतुलन चाहिए, तो AAC एक अच्छा विकल्प है। अगर आप उम्मीद करते हैं कि उपयोगकर्ता विभिन्न डिवाइसों पर ऑडियो सुनेंगे, तो यह भी एक अच्छा समाधान है।
फ्री लॉसलेस ऑडियो कोडेड (FLAC)। लॉसलेस ऑडियो कंप्रेशन की बात आए तो FLAC पहली पसंद है — यानी यह गुणवत्ता खोए बिना फ़ाइल आकार कम कर सकता है। ऑडियो प्रेमी आमतौर पर FLAC को तरजीह देते हैं क्योंकि यह आर्काइवल उद्देश्यों और ऐसे अवसरों के लिए आदर्श है जहाँ बड़े फ़ाइल आकारों के लिए पर्याप्त बैंडविड्थ उपलब्ध हो।
Opus। यदि आपको इंटरनेट स्ट्रीमिंग और संचार के लिए कम लेटेंसी तथा विभिन्न बिटरेट्स पर अच्छा कंप्रेशन चाहिए, तो Opus फ़ॉर्मेट चुनें।
MP3। MP3 के बारे में जानने के लिए आपको टेक-एक्सपर्ट होने की ज़रूरत नहीं। यह सबसे सार्वभौमिक रूप से समर्थित ऑडियो फ़ाइल फ़ॉर्मेट है और सभी डिवाइसों और सॉफ़्टवेयर पर संगतता के लिए जाना जाता है। सामान्य उपयोग के लिए यह बेहतरीन डिफ़ॉल्ट है।
संक्षेप में: आपके चुने हुए आउटपुट का असर ऑडियो गुणवत्ता, फ़ाइल आकार, और फ़ाइल की विभिन्न डिवाइसों व अनुप्रयोगों के साथ संगतता पर पड़ सकता है।
भाषा समर्थन के संदर्भ में, टेक्स्ट-टू-स्पीच मॉडल स्पीच-टू-टेक्स्ट के लिए प्रयुक्त Whisper मॉडल का अनुसरण करता है; आवाज़ें अंग्रेज़ी के लिए अनुकूलित हैं, लेकिन कई अन्य भाषाओं के लिए भी समर्थन उपलब्ध है।
OpenAI Text-To-Speech API के वास्तविक उपयोग के मामले
अब जब हम जानते हैं कि TTS API कैसे सेटअप करें, तो आइए कुछ उदाहरण देखें कि आप इसका उपयोग कैसे कर सकते हैं।
लिखित ब्लॉग पोस्ट या किताब का नैरेशन करें
मान लीजिए आपने कोई किताब या ब्लॉग पोस्ट लिखी है और उसे ऑडियो में बदलकर व्यापक दर्शकों तक पहुँचाना चाहते हैं। पुराने तरीक़े से करें तो आपको वॉइस-ओवर आर्टिस्ट ढूँढना पड़ेगा (या स्वयं नैरेशन करना होगा), जो लम्बी प्रक्रिया हो सकती है।
OpenAI TTS API इस प्रक्रिया को छोटा कर सकता है; आपको बस टेक्स्ट दस्तावेज़ को API को पास करना है और यह उसे स्पीच में बदल देगा।
कई भाषाओं में बोले गए ऑडियो तैयार करें
ग्रुप लेसन सिखाने के बजाय, भाषा शिक्षक OpenAI के टेक्स्ट-टू-स्पीच API का उपयोग कर विभिन्न भाषाओं और बोलियों में छात्रों के लिए निजीकरण किए गए पाठ बना सकते हैं। यद्यपि आवाज़ें अंग्रेज़ी के लिए अनुकूलित हैं, फिर भी API कई भाषाओं में ऑडियो सामग्री जेनरेट कर सकता है।
स्ट्रीमिंग के जरिए रियल-टाइम ऑडियो आउटपुट
OpenAI TTS API का उपयोग ऐसी AI आवाज़ें बनाने के लिए किया जा सकता है जो पारंपरिक TTS सिस्टम की तुलना में अधिक यथार्थपूर्ण और अभिव्यंजक लगें। वीडियो गेम डेवलपर इस क्षमता का लाभ उठाकर किरदारों पर लागू कर सकते हैं, जिससे खिलाड़ियों के लिए अनुभव अधिक डूबाने वाला हो जाता है।
एक अन्य उपयोग मामला अधिक आकर्षक वर्चुअल असिस्टेंट्स और चैटबॉट्स बनाना हो सकता है, जो पारंपरिक समाधानों से बेहतर हों।
API सीमाएँ और मूल्य निर्धारण समझना
OpenAI TTS API के लिए रेट लिमिट भुगतान किए गए खातों पर 50 रिक्वेस्ट प्रति मिनट (RPM) से शुरू होती है, और अधिकतम इनपुट आकार 4096 कैरेक्टर्स है — जो डिफ़ॉल्ट स्पीड पर लगभग 5 मिनट के ऑडियो के बराबर है।
TTS मॉडलों के संदर्भ में, मूल्य निर्धारण इस प्रकार है:
स्टैंडर्ड TTS मॉडल: प्रति 1,000 कैरेक्टर्स $0.015।
TTS HD मॉडल: प्रति 1,000 कैरेक्टर्स $0.030।
यदि आप किसी छोटे प्रोजेक्ट में TTS API को किफायती तरीके से एकीकृत करना चाहते हैं, तो स्टैंडर्ड TTS मॉडल बेहतर विकल्प हो सकता है। TTS HD मॉडल थोड़ा महँगा है, लेकिन हाई-डेफिनिशन ऑडियो देता है, जो तब आदर्श है जब ऑडियो गुणवत्ता सर्वोपरि हो — OpenAI के ऑडियो मॉडलों के मूल्य निर्धारण के बारे में और जानें।
निष्कर्ष
OpenAI का टेक्स्ट-टू-स्पीच API उपयोगकर्ताओं के लिए टेक्स्ट से उच्च-गुणवत्ता का बोले गया ऑडियो जेनरेट करने का एक एंडपॉइंट है। यह छह इन-बिल्ट आवाज़ों के साथ आता है, और उपयोगकर्ता अपने उपयोग मामले के अनुसार दो मॉडलों—TTS-1 और TTS-1-HD—में से चुन सकते हैं; TTS-1 रियल-टाइम टेक्स्ट-टू-स्पीच के लिए अनुकूलित है, जबकि TTS-1-HD गुणवत्ता के लिए अनुकूलित है।
इस ब्लॉग पोस्ट में, हमने कवर किया है:
OpenAI का TTS API क्या है?
इसे कैसे उपयोग करें
आवाज़ और आउटपुट को कस्टमाइज़ करना
वास्तविक दुनिया के उपयोग के मामले
API सीमाएँ और मूल्य निर्धारण
अपना सीखना जारी रखने के लिए इन बेहतरीन संसाधनों पर नज़र डालें:
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
कल्पना कीजिए कि आपने किसी सामग्री को लिखने में घंटों लगाए हैं।
आप अंतिम परिणाम से संतुष्ट हैं, इसलिए आप इसे सार्वजनिक रूप से प्रकाशित कर देते हैं।
कुछ समय बाद आपको एहसास होता है कि आप एक बड़े दर्शक वर्ग को खो रहे हैं, क्योंकि कई लोगों के पास बैठकर पूरा लेख पढ़ने का समय नहीं होता।
आप स्वयं नैरेशन करने के बारे में सोचते हैं, लेकिन समय आपके पक्ष में नहीं है। आप वॉइस-ओवर आर्टिस्ट रखने का विचार करते हैं, पर जो कोट मिले हैं वे आपके बजट से बहुत ऊपर हैं, और “सही” आवाज़ ढूंढने में लगने वाला समय भी बोझ बन जाता है।
इक्कीसवीं सदी के सामान्य अंदाज़ में, आप समाधान के लिए तकनीक की ओर रुख करते हैं। तभी आपको OpenAI के Text-to-Speech (TTS) API के बारे में पता चलता है।
इस ट्यूटोरियल के शेष भाग में, हम OpenAI के TTS API को कवर करेंगे—इसके प्रमुख फीचर्स, आरंभ कैसे करें, कस्टमाइज़ेशन, और वास्तविक दुनिया के उपयोग मामलों पर चर्चा करेंगे।
OpenAI का TTS API क्या है?
टेक्स्ट-टू-स्पीच (TTS) एक प्रकार की सहायक तकनीक है जो टेक्स्ट फ़ॉर्मेट में दिए गए प्राकृतिक भाषा को वाणी में बदलती है। यानी, टेक्स्ट-टू-स्पीच सिस्टम कंप्यूटर (या किसी अन्य डिजिटल डिवाइस) पर लिखे शब्दों को ज़ोर से पढ़ते हैं।
OpenAI का TTS API एक एंडपॉइंट है जो उपयोगकर्ताओं को उनके TTS AI मॉडल के साथ इंटरैक्ट करने की सुविधा देता है, जो पाठ को स्वाभाविक-साउंडिंग बोले गए भाषा में बदलता है। इस मॉडल के दो वैरिएंट हैं:
एंडपॉइंट छह प्रीबिल्ट आवाज़ों के साथ आता है और OpenAI TTS दस्तावेज़ के अनुसार, इसका उपयोग इन कार्यों के लिए किया जा सकता है:
हालाँकि, यह ध्यान देना महत्वपूर्ण है कि OpenAI की उपयोग नीतियाँ उपयोगकर्ताओं से यह स्पष्ट डिस्क्लोज़र देने की अपेक्षा करती हैं कि जो TTS आवाज़ वे सुन रहे हैं, वह AI-जनित है, न कि मानव आवाज़।
TTS API के साथ शुरुआत करना
आइए देखें कि आप OpenAI Text-to-Speech API का उपयोग कैसे शुरू कर सकते हैं—पूर्वापेक्षाएँ और आवश्यक चरणों सहित:
पूर्वापेक्षाएँ
चरण 1: API कुंजी जनरेट करें
अपने OpenAI खाते में लॉगिन करने के बाद, आप होम स्क्रीन पर पहुँचेंगे। यहाँ से, पेज के बाएँ ऊपरी कोने में OpenAI लोगो पर जाएँ और साइडबार टॉगल करें।
“API Keys” चुनें।
“Create new secret key” चुनें और अपनी API कुंजी को नाम दें — हमने अपनी कुंजी का नाम “tts-example” रखा है।
API कुंजी बनाते समय एक सीक्रेट कुंजी जेनरेट होगी। सुनिश्चित करें कि आप इस कुंजी को सुरक्षित स्थान पर सहेज लें।
अब आपके पास कुंजी है, आप शुरू करने के लिए तैयार हैं!
चरण 2: एक वर्चुअल एनवायरनमेंट बनाएं
वर्चुअल एनवायरनमेंट का उपयोग एक कंटेनर या आइसोलेटेड वातावरण बनाने के लिए किया जाता है, जहाँ किसी विशेष प्रोजेक्ट के लिए Python-संबंधित निर्भरताएँ स्थापित की जाती हैं। इससे आप Python के कई अलग-अलग वर्ज़न और उनके पैकेजों के साथ काम कर सकते हैं।
वर्चुअल एनवायरनमेंट्स में गहराई से जाना इस लेख के दायरे से बाहर है। एक बनाने के बारे में अधिक जानने के लिए Python में वर्चुअल एनवायरनमेंट ट्यूटोरियल देखें।
चरण 3: कोड
स्पीच एंडपॉइंट तीन प्रमुख इनपुट लेता है:
OpenAI के टेक्स्ट-टू-स्पीच दस्तावेज़ में एक सैंपल रिक्वेस्ट दी हुई है; अतः हमें पहिया फिर से आविष्कार करने की आवश्यकता नहीं।
सैंपल रिक्वेस्ट कुछ इस प्रकार दिखती है:
जैसा कि अभी है, यह कोड नहीं चलेगा।
यह इसलिए नहीं चलेगा क्योंकि हमने अपने OpenAI क्लाइंट को चरण एक में जनरेट की गई API कुंजी पास नहीं की है…
चरण 4: API कुंजी पास करना
इस समस्या का सबसे आसान समाधान यह है कि हम
OpenAI()ऑब्जेक्ट में एकapi_keyपैरामीटर जोड़ दें, जहाँ हम अपनी सीक्रेट कुंजी पास कर सकें।उदाहरण के लिए:
Python में ऐसा करना खराब प्रैक्टिस है।
इसके बजाय, हम dotenv का उपयोग करेंगे ताकि
.envफ़ाइल से सीक्रेट कुंजी पढ़ी जा सके।चरण 4.1: dotenv इंस्टॉल करना
सबसे पहले आपको अपने वर्चुअल एनवायरनमेंट में dotenv इंस्टॉल करना है। अपने वर्चुअल एनवायरनमेंट से यह कमांड चलाएँ:
चरण 4.2: एनवायरनमेंट वेरिएबल्स कॉल करना
अब जब dotenv इंस्टॉल हो गया है, तो हम एक
.envफ़ाइल बना सकते हैं, जिसमें key-value पेयर्स होंगे, और उन मानों को एनवायरनमेंट वेरिएबल के रूप में सेट कर सकते हैं।इससे हम अपनी सीक्रेट कुंजी छिपा सकते हैं, भले ही कोड सार्वजनिक रूप से साझा किया जाए।
सबसे पहले, हमें एक .env फ़ाइल बनानी होगी और इसमें निम्न लिखना होगा:
अब हम अपने
main.pyफ़ाइल में dotenv का उपयोग करके अपने एनवायरनमेंट वेरिएबल्स को कॉल कर सकते हैं।कोड इस प्रकार दिखता है।
अब कोड चलता है।
डिफ़ॉल्ट रूप से यह कोड बोले गए ऑडियो की एक MP3 फ़ाइल आउटपुट करता है। यदि आप कोई अन्य फ़ाइल फ़ॉर्मेट पसंद करते हैं, तो आप आउटपुट को समर्थित फ़ॉर्मेट्स में से किसी में भी कॉन्फ़िगर कर सकते हैं।
आवाज़ और आउटपुट को कस्टमाइज़ करना
दुनिया में अनेक तरह की आवाज़ें और उच्चारण हैं।
भले ही हर एक को कैप्चर करना संभव न हो, OpenAI के TTS ने हमारे विविध संसार को दर्शाने के लिए API में छह अनोखी इन-बिल्ट आवाज़ों को शामिल किया है:
इनसे अलग-अलग व्यक्तित्व व्यक्त किए जा सकते हैं, या आप अपनी पसंद के आधार पर चुन सकते हैं। आपको बस क्लाइंट ऑब्जेक्ट में
voiceपैरामीटर के माध्यम से इच्छित आवाज़ सेट करनी है।उपलब्ध आवाज़ों के बारे में अधिक जानने के लिए OpenAI के टेक्स्ट-टू-स्पीच API दस्तावेज़ देखें।
आप आउटपुट फ़ॉर्मेट भी बदल सकते हैं।
API का डिफ़ॉल्ट रिस्पॉन्स आपके कनवर्ट किए गए टेक्स्ट की एक MP3 फ़ाइल है। हालाँकि, OpenAI आपकी आवश्यकताओं और पसंद के अनुसार अन्य कई फ़ॉर्मेट्स भी प्रदान करता है। जैसे:
संक्षेप में: आपके चुने हुए आउटपुट का असर ऑडियो गुणवत्ता, फ़ाइल आकार, और फ़ाइल की विभिन्न डिवाइसों व अनुप्रयोगों के साथ संगतता पर पड़ सकता है।
भाषा समर्थन के संदर्भ में, टेक्स्ट-टू-स्पीच मॉडल स्पीच-टू-टेक्स्ट के लिए प्रयुक्त Whisper मॉडल का अनुसरण करता है; आवाज़ें अंग्रेज़ी के लिए अनुकूलित हैं, लेकिन कई अन्य भाषाओं के लिए भी समर्थन उपलब्ध है।
OpenAI Text-To-Speech API के वास्तविक उपयोग के मामले
अब जब हम जानते हैं कि TTS API कैसे सेटअप करें, तो आइए कुछ उदाहरण देखें कि आप इसका उपयोग कैसे कर सकते हैं।
लिखित ब्लॉग पोस्ट या किताब का नैरेशन करें
मान लीजिए आपने कोई किताब या ब्लॉग पोस्ट लिखी है और उसे ऑडियो में बदलकर व्यापक दर्शकों तक पहुँचाना चाहते हैं। पुराने तरीक़े से करें तो आपको वॉइस-ओवर आर्टिस्ट ढूँढना पड़ेगा (या स्वयं नैरेशन करना होगा), जो लम्बी प्रक्रिया हो सकती है।
OpenAI TTS API इस प्रक्रिया को छोटा कर सकता है; आपको बस टेक्स्ट दस्तावेज़ को API को पास करना है और यह उसे स्पीच में बदल देगा।
कई भाषाओं में बोले गए ऑडियो तैयार करें
ग्रुप लेसन सिखाने के बजाय, भाषा शिक्षक OpenAI के टेक्स्ट-टू-स्पीच API का उपयोग कर विभिन्न भाषाओं और बोलियों में छात्रों के लिए निजीकरण किए गए पाठ बना सकते हैं। यद्यपि आवाज़ें अंग्रेज़ी के लिए अनुकूलित हैं, फिर भी API कई भाषाओं में ऑडियो सामग्री जेनरेट कर सकता है।
स्ट्रीमिंग के जरिए रियल-टाइम ऑडियो आउटपुट
OpenAI TTS API का उपयोग ऐसी AI आवाज़ें बनाने के लिए किया जा सकता है जो पारंपरिक TTS सिस्टम की तुलना में अधिक यथार्थपूर्ण और अभिव्यंजक लगें। वीडियो गेम डेवलपर इस क्षमता का लाभ उठाकर किरदारों पर लागू कर सकते हैं, जिससे खिलाड़ियों के लिए अनुभव अधिक डूबाने वाला हो जाता है।
एक अन्य उपयोग मामला अधिक आकर्षक वर्चुअल असिस्टेंट्स और चैटबॉट्स बनाना हो सकता है, जो पारंपरिक समाधानों से बेहतर हों।
API सीमाएँ और मूल्य निर्धारण समझना
OpenAI TTS API के लिए रेट लिमिट भुगतान किए गए खातों पर 50 रिक्वेस्ट प्रति मिनट (RPM) से शुरू होती है, और अधिकतम इनपुट आकार 4096 कैरेक्टर्स है — जो डिफ़ॉल्ट स्पीड पर लगभग 5 मिनट के ऑडियो के बराबर है।
TTS मॉडलों के संदर्भ में, मूल्य निर्धारण इस प्रकार है:
यदि आप किसी छोटे प्रोजेक्ट में TTS API को किफायती तरीके से एकीकृत करना चाहते हैं, तो स्टैंडर्ड TTS मॉडल बेहतर विकल्प हो सकता है। TTS HD मॉडल थोड़ा महँगा है, लेकिन हाई-डेफिनिशन ऑडियो देता है, जो तब आदर्श है जब ऑडियो गुणवत्ता सर्वोपरि हो — OpenAI के ऑडियो मॉडलों के मूल्य निर्धारण के बारे में और जानें।
निष्कर्ष
OpenAI का टेक्स्ट-टू-स्पीच API उपयोगकर्ताओं के लिए टेक्स्ट से उच्च-गुणवत्ता का बोले गया ऑडियो जेनरेट करने का एक एंडपॉइंट है। यह छह इन-बिल्ट आवाज़ों के साथ आता है, और उपयोगकर्ता अपने उपयोग मामले के अनुसार दो मॉडलों—TTS-1 और TTS-1-HD—में से चुन सकते हैं; TTS-1 रियल-टाइम टेक्स्ट-टू-स्पीच के लिए अनुकूलित है, जबकि TTS-1-HD गुणवत्ता के लिए अनुकूलित है।
इस ब्लॉग पोस्ट में, हमने कवर किया है:
अपना सीखना जारी रखने के लिए इन बेहतरीन संसाधनों पर नज़र डालें: